BOAT：通过多目标贝叶斯优化导航抗体设计中众多预测工具的海洋
机器学习
2026-04-16 v1 定量方法
机器学习
摘要
抗体前导物优化本质上是药物发现中的多目标挑战。实现不同药物属性之间的平衡对于开发可行的候选物至关重要，随着所需属性数量增加，这种搜索变得呈指数级难以克服。日益增长的各种精妙的体外预测抗体属性的工具，迫切需要一种高效的联合优化程序，以克服资源密集型的顺序筛选管道。我们提出 BOAT，一个用于多属性抗体工程的多目标贝叶斯优化框架。我们的 "即插即用" 框架将不确定性感知的代理模型与遗传算法耦合，联合优化各种预测抗体特征，同时高效探索序列空间。通过对遗传算法和较新生成式学习方法的系统性基准测试，我们展示其在多目标蛋白优化中与最先进的方法竞争。我们识别出代理驱动的优化在何种情况下优于昂贵的生成方法，并确立了由序列维度和 oracle 成本施加的实际限制。
引用
@article{arxiv.2604.13980,
title = {BOAT: Navigating the Sea of In Silico Predictors for Antibody Design via Multi-Objective Bayesian Optimization},
author = {Jackie Rao and Ferran Gonzalez Hernandez and Leon Gerard and Alexandra Gessner},
journal= {arXiv preprint arXiv:2604.13980},
year = {2026}
}
备注
Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026